图像的变换MATLAB实现.
Matlab课设_图像的输入输出及格式转换
课程设计任务书学生姓名：专业班级：指导教师：工作单位：信息工程学院题目:利用MATLAB仿真软件进行图像的输入、输出和格式变换要求完成的主要任务:读取、保存和显示不同格式的图像，并进行图像格式的相互变换如索引图像、灰度图像、RGB图像和二值图像的相互转换课程设计的目的：1．理论目的课程设计的目的之一是为了巩固课堂理论学习，并能用所学理论知识正确分析信号处理的基本问题和解释信号处理的基本现象。
2．实践目的课程设计的目的之二是通过设计具体的图像信号变换掌握图像和信号处理的方法和步骤。
课程设计的要求：每个学生单独完成课程设计内容，并写出课程设计说明书、给出程序清单，最后通过课程设计答辩。
时间安排：指导教师签名：年月日系主任（或责任教师）签字：年月日目录摘要 (I)Abstract (II)1设计项目要求与说明 (1)1.1设计项目要求 (1)1.2Matlab简介及其在图像处理与分析的应用 (1)1.2.1Matlab简介 (1)1.2.2数字图像及其处理 (1)1.2.3Matlab在图像处理与分析的应用 (3)2软件流程分析 (6)2.1图像的读取 (6)2.2图像的显示 (6)2.2.1以图像形式输出（图像的显示） (6)2.2.2索引图像的显示 (7)2.2.3灰度图像的显示 (7)2.2.4二值图像的显示 (7)2.2.5RGB图像的显示 (7)2.2.6以图像文件的形式输出（图像文件形式之间的转换） (7)2.3图像的保存 (8)2.4图像类型的相互转换 (9)2.4.1RGB图像→灰度图像 (9)2.4.2RGB图像→索引图像 (9)2.4.3RGB图像→二值图像 (9)2.4.4索引图像→RGB图像 (9)2.4.5索引图像→灰度图像 (10)2.4.6灰度图像→索引图像 (10)2.4.7灰度图像→二值图像 (10)3调试分析 (11)3.1图像读取 (11)3.2图像显示 (12)3.2.1索引图像显示 (12)3.2.2灰度图像显示 (12)3.2.3二值图像显示 (13)3.2.4RGB图像显示 (13)3.3图像类型的相互转换 (14)3.3.1RGB图像→灰度图像 (14)3.3.2RGB图像→索引图像 (14)3.3.3RGB图像→二值图像 (15)3.3.4索引图像→灰度图像 (15)3.3.5灰度图像→索引图像 (16)3.3.6灰度图像→二值图像 (16)4附录（程序清单及使用图像） (17)4.1图像的读取 (17)4.2图像的显示 (17)4.2.1索引图像显示 (17)4.2.2灰度图像显示 (17)4.2.3二值图像显示 (17)4.2.4RGB图像显示 (17)4.3以图像文件的形式输出（图像文件形式之间的转换） (18)4.4图像类型的相互转换 (18)4.4.1RGB图像→灰度图像 (18)4.4.2RGB图像→索引图像 (18)4.4.3RGB图像→二值图像 (18)4.4.4索引图像→灰度图像 (18)4.4.5灰度图像→索引图像 (19)4.4.6灰度图像→二值图像 (19)4.5原图像 (19)5课程设计总结 (22)6参考资料 (23)摘要MATLAB语言是由美国MathWorks公司推出的计算机软件，经过多年的逐步发展与不断完善，现已成为国际公认的最优秀的科学计算与数学应用软件之一，是近几年来在国内外广泛流行的一种可视化科学计算软件。
第5章 图像变换技术 MATLAB 数字图像处理课件
5.6.2 Hough变换的MATLAB实现
hough函数用于实现Hough变换。其调用格式为： （1）[H, theta, rho]=hough(BW) （2）[H, theta, rho]=hough(BW, param1,
val1, param2, val2)
【例5-15】用hough函数检测图像中的直线。
（2）B = idct2(A,m,n)或B = idct2(A,[m n])：在对图 像A进行二维离散余弦逆变换前，先将图像A补零到m×n。 如果m和n比图像A的尺寸小，则在进行变换前，将图像A进 行剪切。
【例5-9】对图像进行二维离散余弦逆变换。
（a）原始图像
（b）逆DCT变换
3．dctmtx函数 在MATLAB图像处理工具箱中提供了dctmtx函数用
于计算二维离散DCT矩阵。 其调用格式为：D = dctmtx(n)。
返回n×n的DCT变换矩阵，如果矩阵A的大小为 n×n，D*A为A矩阵每一列的DCT变换值，A*D'为A 每一列的DCT变换值的转置（当A为n×n的方阵） 。
【例5-10】计算二维离散DCT矩阵。
（a）原始图像
（b）离散DCT矩阵
5.4 离散余弦变换
5.4.1 一维离散余弦变换 5.4.2 二维离散余弦变换 5.4.3 快速离散余弦变换
5.4.4 离散余弦变换的MATLAB实现
1．dct2函数 在MATLAB图像处理工具箱中提供了dct2函数用于实现二维
离散余弦变换。该函数常用于图像压缩，最常见的便是用 于JPEG图像压缩。其调用格式为： （1）B = dct2(A)：返回图像A的二维离散余弦变换值，其 大小与A相同，且各元素为离散余弦变换的系数B(k1,k2)。 （2）B = dct2(A,m,n)或B = dct2(A,[m n])：在对图像A 进行二维离散余弦变换前，先将图像A补零到m×n。如果m 和n比图像A的尺寸小，则在进行变换前，将图像A进行剪切 。
matlab image函数用法
matlab image函数用法MATLAB Image函数用法Image函数是Matlab的一个基本的图像处理函数，可以用来读取、显示和储存各种格式的图像，并且可以进行基本的图像矩阵变换，是Matlab中常用的图像处理方法。
以下将详细介绍如何使用Image函数：第一步：载入图片如果要对某个图片进行处理，首先需要将其载入Matlab环境中，可以使用Image函数来实现。
可以通过下面的代码来完成：A = imread('path_to_image');其中path_to_image指定了图片的位置，读取后会自动填充到变量A 中，这样就可以用A来进行后续的处理。
第二步：显示载入的图片载入完图片以后，我们可以使用下面的命令来显示该图片：imshow(A);这步骤完成后，就可以在Matlab环境中看到载入的图片。
第三步：图像矩阵变换如果要对载入的图片进行像素矩阵的变换，比如反转、镜像等等，可以使用以下代码来实现：B = imrotate(A, 90); //旋转90度C = flipud(A); //上下翻转D = fliplr(A); //左右翻转这些操作会对载入的图片进行像素矩阵变换，变换后的图像就会储存到相应变量中，例如旋转后的图像就会储存在B中，上下翻转后的图像就会储存在C中，左右翻转后的图像就会储存在D中，之后可以使用imshow函数来查看这些变换后的图片。
第四步：存储变换后的图片如果想对变换后的图片进行存储，可以使用Image函数中提供的imwrite函数来实现，可以使用如下代码：imwrite(B,'rotated.jpg'); //保存旋转后的图片imwrite(C,'Vertical_flip.jpg'); //保存上下翻转后的图片imwrite(D,'Horizontal_flip.jpg'); //保存左右翻转后的图片其中，括号内的参数指定图片的存储路径和名称，执行完上述代码，就可以在指定位置看到三张变换后的图片。
图像的等距变换,相似变换,仿射变换,射影变换及其matlab实现
图像的等距变换，相似变换，仿射变换，射影变换及其matlab实现第二次写CSDN文档，上一篇的排版实在太烂了，于是决定认真学习一下markdown的语法。
好了，废话不多说，今天，我们学习一下图像（2维平面）到图像（2维平面）的四种变换，等距变换，相似变换，仿射变换，投影变换首先介绍它的原理，最后介绍matlab的实现1.数学基础射影变换矩阵H属于射影群PL(n)中的一个，仿射群是由PL(3)中最后一行为(0,0,1)的矩阵组成的子群，包括仿射群，欧式群，其中欧式群是仿射群的子群，其左上角的矩阵是正交的，当它的行列式为1是称为定向欧式群，距离是欧式群的不变量，但不是相似群的不变量，而夹角是这两个群的不变量。
听了这么多群，不变量的数学概念，可能有点晕，下面我用最直观的语言解释。
线性空间中的线性变换可以用矩阵来描述，因此我们用矩阵来刻画这四种变换。
我们以数学系的经典代数入门教材北大版的《高等代数》为例，研究这些变换是如何进行的2. 等距变换等距变换（isometric transform），保持欧式距离不变，当图像中的点用齐次坐标表示时，变换矩阵如下所示：???x′y′1???=???εcos(θ)εsin(θ)0?εsin(θ)?εcos(θ)0txty1??? ???xy1???当ε=1是保向的，ε=?1是逆向的，等距变换可以更简单的写成x′=HEx=(R0t1)x其中R是旋转矩阵。
t是平移矢量，有3个自由度（1旋转角θ+两个平移tx,ty），需要2组点4个方程求解，等距变换的不变量是:长度，角度，面积。
用matlab实现等距变换如下：clear;close all;clcI=imread('book1.jpg');figure,imshow(I);[w,h]=size(I);theta=pi/4;t=[100,100];s=0.5;% test Eucludian transformH_e=projective2d([cos(theta) -sin(theta) t(1);sin(theta) cos(theta) t(2);0 0 1]');newimg=imwarp(I,H_e);figure,imshow(newimg); 12345678910111213141234567891011121314可以看出，等距变换就是对图像的旋转+平移3. 相似变换相似变换（similarity transform）：等距变换+均匀缩放，当图像中的点用齐次坐标表示时，变换矩阵如下所示：???x′y′1???=???scos(θ)ssin(θ)0?ssin(θ)?scos(θ)0txty1?? ????xy1???当s=1是保向的，s=?1是逆向的，相似变换可以更简单的写成x′=HSx=(sR0t1)x其中R是旋转矩阵。
图像傅立叶变换的matlab实现
imshow(wnr4); % 显示处理后的图像
title('Inverse Filtering of Noisy Data'); % 设置图像标题
figure, % 新建窗口
imshow(wnr3); % 显示处理后的图像
title('Restored, Steep'); % 设置图像标题
IP = abs(fftn(im2double(I))).^2; % 傅立叶变换
IPOW = sum(IP(:))/prod(size(I)); % 原始图像功率
ICORR = fftshift(real(ifftn(IP))); % 图像自相关函数，居中的
I = imread('peppers.png'); % 读入图像
I = I(10+[1:256],222+[1:256],:); % 图像剪切
figure, imshow(I); % 显示原始图像
title('Original Image'); % 设置图像标题
figure, % 新建窗口
imshow(wnr8); % 显示处理后的图像
title('Restored with NP & 1D-ACF'); % 设置图像标题
NSR = sum(noise(:).^2)/sum(im2double(I(:)).^2); % 计算信噪比
wnr5 = deconvwnr(blurredNoisy,PSF,NSR); % 图像恢复
figure, % 新建窗口
% 模糊运动长度取值是真实长度的2倍，2*LEN
matlab实现图像的放大及旋转
MATLAB是一个包含大量计算算法的集合。
其拥有600多个工程中要用到的数学运算函数，可以方便的实现用户所需的各种计算功能。
函数中所使用的算法都是科研和工程计算中的最新研究成果，而前经过了各种优化和容错处理。
在通常情况下，可以用它来代替底层编程语言，如C和C 。
在计算要求相同的情况下，使用MATLAB的编程工作量会大大减少。
MATLAB的这些函数集包括从最简单最基本的函数到诸如距阵，特征向量、快速傅立叶变换的复杂函数。
函数所能解决的问题其大致包括矩阵运算和线性方程组的求解、微分方程及偏微分方程的组的求解、符号运算、傅立叶变换和数据的统计分析、工程中的优化问题、稀疏矩阵运算、复数的各种运算、三角函数和其他初等数学运算、多维数组操作以及建模动态仿真等。
（4）出色的图形处理功能MATLAB自产生之日起就具有方便的数据可视化功能，以将向量和距阵用图形表现出来，并且可以对图形进行标注和打印。
高层次的作图包括二维和三维的可视化、图象处理、动画和表达式作图。
可用于科学计算和工程绘图。
新版本的MATLAB 对整个图形处理功能作了很大的改进和完善，使他不仅在一般数据可视化软件都具有的功能（例如二维曲线和三维曲面的绘制和处理等）方面更加完善，而且对于一些其他软件所没有的功能（例如图形的光照处理、色度处理以及四维数据的表现等），MATLAB 同样表现了出色的处理能力。
同时对一些特殊的可视化要求，例如图形对话等，MATLAB也有相应的功能函数，保证了用户不同层次的要求。
另外新版本的MATLAB还着重在图形用户界面（GUI）的制作上作了很大的改善，对这方面有特殊要求的用户也可以得到满足。
（5）应用广泛的模块集合工具箱MATLAB对许多专门的领域都开发了功能强大的模块集和工具箱。
一般来说，他们都是由特定领域的专家开发的，用户可以直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码。
目前，MATLAB已经把工具箱延伸到了科学研究和工程应用的诸多领域，诸如数据采集、数据库接口、概率统计、样条拟合、优化算法、偏微分方程求解、神经网络、小波分析、信号处理、图像处理、系统辨识、控制系统设计、LMI控制、鲁棒控制、模型预测、模糊逻辑、金融分析、地图工具、非线性控制设计、实时快速原型及半物理仿真、嵌入式系统开发、定点仿真、DSP 与通讯、电力系统仿真等，都在工具箱（Toolbox）家族中有了自己的一席之地。
matlab实现图像的放大及旋转
实验三图像的几何操作一、图像的基本运算1、加法运算图像相加一般用于对同一场景的多幅图像求平均效果，以便有效地降低具有叠加性质的随机噪声。
直接采集的图像品质一般都较好，不需要进行加法运算处理，但是对于那些经过长距离模拟通信方式传送的图像（如卫星图像），这种处理是必不可少的。
在MA TLAB7.0中，如果要进行两幅图像的加法，或者给一幅图像加上一个常数，可以调用imadd函数来实现。
imadd函数将某一幅输入图像的每一个像素值与另一幅图像相应的像素值相加，返回相应的像素值之和作为输入图像。
imadd函数的调用格式可参考图像处理的工具箱。
下面的程序可将图1两幅图像叠加在一起，叠加效果如图2所示。
imshow('rice.png');imshow('cameraman.tif');I=imread('rice.png');J=imread('cameraman.tif');K=imadd(I,J,'uint16');%大小必须一样imshow(K,[])图1 图2给图像的每一个像素加上一个常数可以使图像的亮度增加。
例如以下程序示例的处理效果如图3所示。
I=imread('rice.png');J=imadd(I,50);subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(J);图32、减法运算图像减法也称为差分方法，是一种常用于检测图像变化及运动物体的图像处理方法。
图像减法可以作为许多图像处理过程的准备步骤。
例如，可以使用图像减法来检测一系列相同场景图像的差异。
图像减法与阈值化处理的综合使用通常是建立机器视觉系统最有效的方法之一。
当然，在利用图像减法处理图像时，往往需要考虑背景的更新机制，尽量补偿因天气、光线等因素对图像显示效果造成的影响。
在MATLAB7.0中，使用imsubtract函数可以将一幅图像从另一幅图像中减去，或者从一幅图像中减去一个常数。
图像处理之傅里叶变换matlab实现
图像处理之傅里叶变换matlab实现傅里叶变换是一种将时域信号转换为频域信号的数学工具。
在图像处理中，傅里叶变换可以用于图像的频域分析和滤波，以及图像的压缩和增强等应用。
Matlab是一种功能强大的数值计算和图形化工具，它提供了丰富的函数和工具箱，可以方便地进行傅里叶变换的实现。
在Matlab中，可以使用fft2函数对图像进行二维傅里叶变换。
该函数的基本语法如下：Y = fft2(X)其中，X是输入的图像矩阵，Y是输出的频域图像矩阵。
Y的大小与X 相同，表示了图像在频域中的分布情况。
为了更好地理解傅里叶变换的过程，我们可以使用一幅灰度图像作为示例进行实现。
首先，我们需要读取图像并将其转换为灰度图像。
可以使用imread函数读取图像，并使用rgb2gray函数将图像转换为灰度图像：img = imread('image.jpg');gray_img = rgb2gray(img);接下来，我们可以对灰度图像进行傅里叶变换。
首先，我们需要将图像矩阵进行归一化操作，以避免频谱的幅度过大。
可以使用im2double函数将图像矩阵转换为双精度类型：normalized_img = im2double(gray_img);然后，我们可以使用fft2函数对归一化后的图像矩阵进行傅里叶变换：fft_img = fft2(normalized_img);得到的fft_img是一个复数矩阵，包含了图像在频域中的幅度和相位信息。
为了更好地可视化频域图像，可以使用fftshift函数将频域图像的零频率移到中心位置：shifted_fft_img = fftshift(fft_img);最后，我们可以使用abs函数计算频域图像的幅度谱，并使用matshow函数将其显示出来：amplitude_spectrum = abs(shifted_fft_img);imshow(amplitude_spectrum, []);通过以上步骤，我们就可以实现对图像的傅里叶变换，并显示出频域图像的幅度谱。
数字音视频技术讲义第五章 图像变换及MATLAB实现
5.2离散余弦变换及MATLAB的实现 --5.2.1 离散余弦变换的概念 --• 与其它正交变换相比，离散余弦变换 （DCT变换）被认为是一种准最佳变换。 一方面，其性能与K-L变换相近，另一方 面，变化矩阵与图像内容无关，而且由 于它构造对称的数据序列，并也有快速 算法，在静止图像压缩编码标准JPEG、 视频压缩编码标准H.261、H.263、MPEG1/2/4等都使用了DCT变换。
一维离散余弦变换公式：
二维离散余弦正变换公式：
二维离散余弦反变换公式：
5.2.2 图像的离散余弦变换的MATLAB实现-
5.2.3 图像基于子块的离散余弦变换及 MATLAB实现 • 实现的复杂性。
• 基于子块的DCT。
• JPEG图像压缩算法的典型例子。
子块效应的产生是基于子块的 DCT变换的最大特征
5.3.3 离散小波变换
对尺度和位移为a 2 j , 2 j / 2 , ( j Z )的网络采样。
二进制小波： j ,k (t ) 2 j / 2 (2 j k ), ( j , k Z )
* 用多个分辨率对一个平方可积分函数 (t ) L2 ( R)逼近。 * 如该函数是某一信号，用可分辨率2 j 去逼近它。 * cAj f (t )：第j层的逼近（粗糙）信号。 * cD j f (t )：第j层的逼近（细节）信号。 * cAj f (t ) cAj f (t ) cD j 1 f (t )(公式5 11)
5.3.6 图像的离散小波变换及 MATLAB实现
表 5 常 用 小 波 函 数 1
图像的单尺度小波分解
图像的多尺度二维小波分解
图像二维离散小波压缩• 小波系数筛选主要依赖于阈值化与阈值 （门限）的选取。通过阈值化将小波系 数分为两类： • 一类是重要的、规则的小波系数； • 另一类被看作是非重要的或者受噪声干 扰较大的小波系数。
Matlab技术图像变换方法
Matlab技术图像变换方法图像处理是数字信号处理的重要应用之一，而Matlab作为一款强大的数学计算软件，其在图像处理领域也有着广泛的应用。
图像变换是图像处理的重要环节，通过变换可以改变图像的表现形式，提取图像的有用信息，实现图像的增强、去噪、特征提取等目标。
本文将重点介绍Matlab中常用的图像变换方法，并探讨其原理和应用。
一、灰度图像变换灰度图像变换是图像处理中最为基础的操作之一，可以通过调整像素值的亮度、对比度等来改变图像的视觉效果。
Matlab提供了多种函数来实现灰度图像变换，如imadjust、histeq等。
imadjust函数通过调整图像的亮度和对比度来改变图像的整体视觉效果。
其基本原理是通过对原始图像的像素值进行非线性变换，将像素值映射到指定的亮度范围内。
具体而言，imadjust函数根据输入的亮度调整阈值，将图像的低灰度和高灰度值进行映射，实现对图像亮度的调整。
例如，可以通过提高亮度调整阈值，增加图像的对比度。
histeq函数通过直方图均衡化来改变图像的灰度分布，实现对图像的自适应增强。
其基本原理是通过映射原始图像的灰度直方图到一个均匀分布的形式，从而使得图像的灰度值分布更加均衡。
直方图均衡化能够增强图像的对比度，凸显图像的细节信息。
例如，可以使用histeq函数来增强图像中的暗部细节。
二、几何图像变换几何图像变换是通过对图像的坐标进行变换，改变图像的形状或尺寸。
Matlab提供了多种函数来实现几何图像变换，如imresize、imrotate等。
imresize函数通过改变图像的尺寸来实现图像的缩放。
其基本原理是通过插值算法，在输入的图像基础上生成一个新的图像。
可以通过指定缩放比例来控制图像尺寸的变化，也可以通过指定输出图像的大小来实现图像的精确缩放。
imrotate函数通过旋转图像的角度来实现图像的旋转变换。
其基本原理是通过对输入图像的每个像素位置进行变换，从而得到旋转后的图像。
matlab图像的灰度变换
matlab图像的灰度变换实验⼆图像的灰度变换⼀、实验⽬的1、理解数字图像处理中点运算的基本作⽤；2、掌握对⽐度调整与灰度直⽅图均衡化的⽅法。
⼆、实验原理1、对⽐度调整如果原图像f (x , y )的灰度范围是[m , M ]，我们希望对图像的灰度范围进⾏线性调整，调整后的图像g (x , y )的灰度范围是[n , N ]，那么下述变换：[]n m y x f mM n N y x g +---=),(),(就可以实现这⼀要求。
MATLAB 图像处理⼯具箱中提供的imadjust 函数，可以实现上述的线性变换对⽐度调整。
imadjust 函数的语法格式为：J = imadjust(I,[low_in high_in], [low_out high_out])J = imadjust(I, [low_in high_in], [low_out high_out])返回原图像I 经过直⽅图调整后的新图像J ，[low_in high_in]为原图像中要变换的灰度范围，[low_out high_out]指定了变换后的灰度范围，灰度范围可以⽤ [ ] 空矩阵表⽰默认范围，默认值为[0, 1]。
不使⽤imadjust 函数，利⽤matlab 语⾔直接编程也很容易实现灰度图像的对⽐度调整。
但运算的过程中应当注意以下问题，由于我们读出的图像数据⼀般是uint8型，⽽在MATLAB 的矩阵运算中要求所有的运算变量为double 型（双精度型）。
因此读出的图像数据不能直接进⾏运算，必须将图像数据转换成双精度型数据。
2、直⽅图均衡化直⽅图均衡化的⽬的是将原始图像的直⽅图变为均衡分布的形式，即将⼀已知灰度概率密度分布的图像，经过某种变换变成⼀幅具有均匀灰度概率密度分布的新图像，从⽽改善图像的灰度层次。
MATLAB 图像处理⼯具箱中提供的histeq 函数，可以实现直⽅图的均衡化。
三、实验内容及要求1、⽤MATLAB 在⾃建的⽂件夹中建⽴example2.m 程序⽂件。
数字图像处理及MATLAB实现4
数字图像处理及MATLAB实现4武汉理工大学信息学院第4章图像变换(ImageTranform)4.1连续傅里叶变换4.2离散傅里叶变换4.3快速傅里叶变换4.4傅里叶变换的性质4.5图像傅里叶变换实例4.6其他离散变换一、图象变换的引入1.方法：对图象信息进行变换，使能量保持但重新分配。
2.目的：有利于加工、处理[滤除不必要信息(如噪声),加强/提取感兴趣的部分或特征]。
二、方法分类可分离、正交变换:2D-DFT,2D-DCT,2D-DHT,2D-DWT三、用途1.提取图象特征(如):(1)直流分量：f(某,y)的平均值=F(0,0);(2)目标物边缘：F(u,v)高频分量。
2.图像压缩：正交变换能量集中，对集中(小)部分进行编码。
3.图象增强：低通滤波，平滑噪声；高通滤波，锐化边缘。
4.1连续傅里叶变换(ContinuouFourierTranform)1、一维傅立叶变换及其反变换::1F(u)f(某)ej2u某d某f(某)F(u)ej2u某du4.1.1连续傅里叶变换的定义(DefinitionofContinuouFourierTranform)这里f某是实函数，它的傅里叶变换Fu通F常是复函数。
u的实部、虚部、振幅、能量和相位分别表示如下：实部Ruftco2utdt(4.3)虚部Iuftin2utdt(4.4)振幅1FuR2uI2u2(4.5)4.1.1连续傅里叶变换的定义(DefinitionofContinuouFourierTranform)能量相位EuFuR2uI2u2(4.6)(4.7)傅里叶变换可以很容易推广到二维的情形。
设函数f某,y是连续可积的，且fu,v可积，则存在如下的傅里叶变换对：IuuarctanRu4.1连续傅里叶变换的定义(DefinitionofContinuouFourierTranform)Ff(某,y)F(u,v)f(某,y)ej2u某vyd某dy(4.8)F1F(u,v)f(某,y)F(u,v)ej2u某vydudv(4.9)式中u、v是频率变量。
matlab实验 图像的基本运算
实验四、图像的基本运算1（1）选择一幅图像lena8.jpg，设置输入/输出变换的灰度级范围，a=0.3，b=0.6，c=0.1，d=0.9 （2）设置非线性扩展函数的参数c=2（3）采用灰度倒置变换函数s=255-r进行图像变换（4）设置二值化图像的阈值，分别为level=0.4，level=0.7程序如下I=imread('C:\lena8.jpg');figure;subplot(2,3,1);imshow(I);title('原图');J=imadjust(I,[0.3;0.6],[0.1;0.9]); %设置灰度变换的范围subplot(2,3,2);imshow(J);title('线性扩展');I1=double(I); %将图像转换为double类型I2=I1/255; %归一化此图像C=2;K=C*log(1+I2); %求图像的对数变换subplot(2,3,3);imshow(K);title('非线性扩展');M=im2bw(I,0.5);M=~M;%M=255-I; %将此图像取反%Figuresubplot(2,3,4);imshow(M);title('灰度倒置');N1=im2bw(I,0.4); %将此图像二值化，阈值为0.4N2=im2bw(I,0.7); %将此图像二值化，阈值为0.7subplot(2,3,5);imshow(N1);title('二值化阈值0.4');subplot(2,3,6);imshow(N2);title('二值化阈值0.7');2 选取两幅大小一样的灰度图像hough.bmp和rice.bmp，将两幅图像进行加法运算。
程序如下I=imread('C:\hough.bmp');%I=rgb2gray(I);J=imread('C:\rice.bmp');I=im2double(I); %将图像转换成double型J=im2double(J);K=I+0.3*J; %两幅图像相加subplot(1,3,1);imshow(I);title('物图');subplot(1,3,2);imshow(J);title('背景图');subplot(1,3,3);imshow(K);title('相加后的图');imwrite(K,'C:\lena1.jpg');3 选取一幅混合图像，如相加得到的图像lenal.jpg，将混合图像与背景图像做减法运算。
MATLAB技术图像仿射变换
MATLAB技术图像仿射变换MATLAB技术在图像仿射变换方面的应用随着计算机技术的飞速发展，图像处理成为了一个颇受关注的领域。
图像的处理可以通过各种算法和技术来实现，其中，图像仿射变换是一种常用的技术。
本文将介绍MATLAB技术在图像仿射变换方面的应用，从原理到应用实例，让读者深入了解和掌握这一技术。
一、图像仿射变换的原理图像仿射变换是指对图像进行尺度缩放、旋转、平移和剪切变换的一种处理方法。
它通过对图像像素的重新分配，改变了图像的形状和位置，实现了对图像的变换。
常见的仿射变换包括平移、旋转、缩放、剪切等操作，通过调整图像的坐标和像素值，使图像呈现出各种不同的形态。
二、MATLAB技术在图像仿射变换中的应用MATLAB是一种强大的科学计算工具，它在图像处理方面有着广泛的应用。
在图像仿射变换中，MATLAB提供了一系列的函数和工具箱，可以方便地实现各种图像变换操作。
下面以几个具体的应用实例来介绍MATLAB技术在图像仿射变换中的应用。
1. 平移变换平移变换是图像仿射变换中最简单的一种变换方法，它仅改变图像的位置而不改变其形状。
在MATLAB中，可以使用imtranslate函数实现图像的平移变换。
该函数通过指定平移的横向和纵向偏移量，将图像沿水平和竖直方向移动相应的像素，从而实现平移变换。
2. 旋转变换旋转变换是一种常用的仿射变换方法，它通过改变图像的旋转角度来达到图像变换的目的。
在MATLAB中，可以使用imrotate函数实现图像的旋转变换。
该函数通过指定旋转的角度和旋转中心点，对图像进行旋转变换。
可以通过调整旋转角度和旋转中心点的位置，实现不同角度和不同中心点的旋转变换。
3. 缩放变换缩放变换是图像仿射变换中常用的一种方法，它通过改变图像的尺寸来实现图像的变换。
在MATLAB中，可以使用imresize函数实现图像的缩放变换。
该函数通过指定缩放的比例，对图像进行实现变换。
可以通过调整缩放比例来实现图像的放大和缩小。
实验报告二 Matlab图像代数运算和几何变换
实验二Matlab图像代数运算和几何变换一、实验目的1、掌握不同图像类型的转换2、掌握图像代数运算和几何变换的方法；3、掌握灰度级插值法的实验方法。
二、实验内容1、练习图像类型转换的相关命令（ind2rgb，mat2gray，grayslice，rgb2gray，rgb2ind，im2bw，ind2gray，dither）（p69-73）；2、练习课本6.3.2（p139-p143）图像代数运算的内容；3、练习图像平移 (p148)，图像比例变换（p153），图像旋转（p156），图像镜像变换（p158），图像切割（p160）Matlab实现例题；4、练习灰度级插值法（p171）。
三、实验步骤和结果1、练习图像类型转换的相关命令（ind2rgb，mat2gray，grayslice，rgb2gray，rgb2ind，im2bw，ind2gray，dither）（1）mat2gray()函数I=imread('rice.png');>> J=filter2(fspecial('sobel'),I);>> K=mat2gray(J);>> imshow(I);>> figure,imshow(K)（2）、grayslice()函数>> I=imread('snowflakes.png');>> X=grayslice(I,16);>> imview(I)imview(X,jet(16))（3）、rgb2ind()函数> RGB=imread('peppers.png');>> imshow(RGB);>> figure,imshow(RGB)>> [X,map]=rgb2ind(RGB,128);>> figure,imshow(X,map) （4）、im2bw（）函数>> load trees>> BW=im2bw(X,map,0.4);>> figure,imshow(X,map)>> figure,imshow(BW)（5）、ind2gray()函数load trees>> I=ind2gray(X,map);>> figure,imshow(X,map)>> figure,imshow(I)（6）、dither()函数>> RGB=imread('peppers.png'); >> [X,map]=rgb2ind(RGB,256); >> I=dither(RGB,map);>> BW=dither(I);>> imshow(RGB,map);>> figure,imshow(RGB,map); >> figure,imshow(BW)Result：（1）转换后图像（2）索引色图像（3）索引色图像（4）索引色图像（4）二值化后的图像（5）转换后的灰度图像（6）索引色图像（6）抖动转换图像2、练习课本6.3.2（p139-p143）图像代数运算的内容（1）加法运算I=imread('rice.png');>> figure(1),imshow(I,[])>> I2=imread('cameraman.tif')>> figure(2),imshow(I2,[])>> K=imadd(I,I2,'uint16');>> figure(3),imshow(K,[])>> I=imread('lena.bmp');>> I2=imadd(I,50);>> figure(1),imshow(I)>> figure(2),imshow(I2)（2）、减法运算>> I=imread('rice.png'); >> I2=imread('cameraman.tif'); >> I3=imsubtract(I,I2);>> figure,imview(I3)（3）乘法&除法运算>> I=imread('lena.bmp');>> I2=immultiply(I,0.5);>> figure,imshow(I)>> figure,imshow(I2)>> I3=immultiply(I,1.5);>> figure,imshow(I3)>> I4=imdivide(I,0.5);>> figure,imshow(I4)>> I5=imdivide(I,1);>> figure,imshow(I5)Result：（1）加法运算后的图像（1）加入常数后的图像（2）减法运算（3）乘以0.5后的图像乘以1后的图像除以0.5后的图像除以1后的图像3、练习图像平移 (p148)，图像比例变换（p153），图像旋转（p156），图像镜像变换（p158），图像切割（p160）Matlab实现例题；（a）图像平移>> I=imread('trees.tif');>> figure,imshow(I)>> I=double(I);>> I_movesult=zeros(size(I));>> H=size(I);>> Move_x=50;>> Move_y=50;>>I_movesult(Move_x+1:H(1),Move_y+1:H(2))=I(1:H(1)-Move_x,1:H(2)-Move_y);>> figure,imshow(uint8(I_movesult))（b）图像比例变换J=imread('trees.tif');>> figure,imshow(J);>> X1=imresize(J,2);>> X2=imresize(J,0.5);>> figure,imshow(X1)>> figure,imshow(X2)（C）图像旋转变换>> I=imread('peppers.png');>> figure,imshow(I)>> X1=imrotate(I,30,'nearest');>> figure,imshow(uint8(X1))>> X2=imrotate(I,45,'nearest');>> figure,imshow(uint8(X2))>> X3=imrotate(I,60,'nearest');>> figure,imshow(uint8(X3))>> X4=imrotate(I,90,'nearest');>> figure,imshow(uint8(X4))（d）图像镜像变换>> I=imread('forest.tif');>> I=double(I);>> figure,imshow(uint8(I));>> H=size(I);>> figure(2),>> I2(1:H(1),1:H(2))=I(H(1):-1:1,1:H(2));>> imshow(uint8(I2));>> figure,imshow(uint8(I2));>> I3(1:H(1),1:H(2))=I(1:H(1),H(2):-1:1);>> figure,imshow(uint8(I3));>> I4(1:H(1),1:H(2))=I(H(1):-1:1,H(2):-1:1);>> figure,imshow(uint8(I4));（e）图像切割>> I1=imread('peppers.png');>> I2=imcrop(I1,[75 68 220 100]);>> imview(I2)I3=imcrop(I1,[30 40 120 100]);>> imview(I3)（a）平移后的图像（b）放大后图像（b）缩小后的图像(c)旋转30°后的图像旋转45°后的图像旋转60°后的图像旋转90°后的图像（d）原始图像垂直镜像水平镜像对角镜像（e）原始图像一次切割后图像二次切割后图像4、练习灰度级插值法（p171）>> I=imread('lena.bmp');>> X1=imresize(I,1);>> X2=imresize(I,1,'bilinear');>> X3=imresize(I,1,'bicubic');>> figure,imshow(X1)>> figure,imshow(X2)>> figure,imshow(X3)最近邻差值法双线性插值法三次插值法四、实验体会在本次实验中掌握不同图像类型的转换，掌握了转换函数及其语法格式，如ind2rgb()函数将索引图像转换成真彩色。
matlab图像处理图像灰度变换,直方图变换
matlab图像处理图像灰度变换,直⽅图变换附录1 课程实验报告格式每个实验项⽬包括：1)设计思路，2)程序代码，3）实验结果，4）实验中出现的问题及解决⽅法。
实验⼀：直⽅图灰度变换 A ：读⼊灰度图像‘debye1.tif ’，采⽤交互式操作，⽤improfile 绘制⼀条线段的灰度值。
imread('rice.tif');imshow('rice.tif'),title('rice.tif'); improfile,title('主对⾓线上灰度值')B：读⼊RGB图像‘flowers.tif’，显⽰所选线段上红、绿、蓝颜⾊分量的分布imread('flowers.tif'); imshow('flowers.tif'),title('flowers.tif');improfile,title('主对⾓线红绿蓝分量')C：图像灰度变化f=imread('rice.png');imhist(f,256); %显⽰其直⽅图g1=imadjust(f,[0 1],[1 0]); %灰度转换，实现明暗转换(负⽚图像) figure,imshow(g1)%将0.5到0.75的灰度级扩展到范围[0 1]g2=imadjust(f,[0.5 0.75],[0 1]);figure,imshow(g2)图像灰度变换处理实例：g=imread('me.jpg');imshow(g),title('原始图⽚');h=log(1+double(g)); %对输⼊图像对数映射变换h=mat2gray(h); %将矩阵h转换为灰度图⽚h=im2uint8(h); %将灰度图转换为8位图imshow(h),title('转换后的8位图');运⾏后的结果：实验⼆：直⽅图变换A：直⽅图显⽰I=imread('cameraman.tif'); %读取图像subplot(1,2,1),imshow(I) %输出图像title('原始图像') %在原始图像中加标题subplot(1,2,2),imhist(I) %输出原图直⽅图title('原始图像直⽅图') %在原图直⽅图上加标题运⾏结果如下：例⼦：读⼊图像‘rice.png’，在⼀个窗⼝中显⽰灰度级n=64，128和256的图像直⽅图。
几何变换的matlab程序示例
几何变换是图像处理中常见的操作，通过对图像进行旋转、平移、缩放等变换，可以实现图像的翻转、修正以及透视等效果。
MATLAB作为一种强大的数学工具，提供了丰富的函数和工具箱，可以方便地进行各种几何变换的计算和实现。
本文将结合实例，介绍如何使用MATLAB进行几何变换的程序示例，包括图像旋转、平移和缩放等操作。
1. 图像旋转图像旋转是一种常见的几何变换操作，可以通过MATLAB中的imrotate函数来实现。
该函数可以对图像进行指定角度的旋转，其基本语法为：```matlabrotated_img = imrotate(img, angle);```其中，img为待旋转的图像，angle为旋转的角度。
通过这个函数，可以实现图像的任意角度的旋转操作。
2. 图像平移图像平移是指沿着x轴和y轴的方向对图像进行移动，可以通过MATLAB中的imtranslate函数来实现。
其基本语法为：```matlabtranslated_img = imtranslate(img, [x_shift, y_shift]);```其中，img为待平移的图像，[x_shift, y_shift]为沿x轴和y轴的平移距离。
通过该函数，可以实现对图像的任意平移操作。
3. 图像缩放图像缩放是指对图像的大小进行调整，可以通过MATLAB中的imresize函数来实现。
其基本语法为：```matlabresized_img = imresize(img, scale);```其中，img为待缩放的图像，scale为缩放比例。
通过该函数，可以实现对图像的任意缩放操作。
除了以上三种基本的几何变换操作外，MATLAB还提供了一些其他相关的函数和工具箱，如仿射变换、透射变换等。
通过这些工具，可以实现更加复杂和多样化的图像处理操作。
总结通过本文的介绍，我们了解到了MATLAB中几何变换的基本操作，包括图像旋转、平移和缩放。
这些操作可以帮助我们实现对图像的各种修正和调整，从而得到我们想要的效果。
数字图像处理实验报告图像增强处理与几何变换
实验图像增强处理与几何变换一、实验目的利用Matlab图像处理工具箱中的函数实现图像点处理、空间域平滑和锐化处理、彩色图像处理、几何处理，巩固其原理与计算方法学习，深化课程理论认知。
二、实验内容1、图像点处理：灰度变换、直方图均衡化和直方图规定处理；2、图像均值滤波和中值滤波、图像锐化处理；3、图像几何变换处理；4、图像彩色合成和彩色变换处理；三、实验步骤1、图像点处理：灰度变换、直方图均衡化和直方图规定处理；1.1图像的灰度变换启用MATLAB,输入以下代码运行I= imread('cameraman-8.bmp','bmp');figure; subplot(2,2,1), imshow(I);%获取图像直方图subplot(2,2,2),imhist(I);[counts1,x1] = imhist(I);%观察Counts,x的值subplot(2,2,3),stem(x1,counts1);%图像灰度变换J=imadjust(I,[0.1 0.7],[0.0 0.9]);subplot(2,2,4), imshow (J);%对比灰度变换前后的图像及其直方图figure;subplot(2,3,1),imshow(I);subplot(2,3,2),imshow(J);subplot(2,3,4),imhist(I);subplot(2,3,5),imhist(J);[counts2,x2] = imhist(J);subplot(2,3,6), stem(x2,counts2);图 1.1.1图 1.1.21.2图像直方图均衡化启用MATLAB,输入以下代码运行I=imread('cameraman-8.bmp','bmp') ;%直方图均衡化处理J=histeq(I) ;%对比均衡化处理前后的图像及其直方图figure(1),subplot(2,2,1),imshow(I),subplot(2,2,2),imshow(J); figure(1),subplot(2,2,3),imhist(I),subplot(2,2,4),imhist(J);图 1.2 1.3直方图规定化启用MATLAB,输入以下代码运行I1=imread('TM5.bmp','bmp');I2=imread('TM3.bmp','bmp');%直方图规定化处理K1=histeq(I1,imhist(I2));%对比规定化处理前后的图像及其直方图figure;subplot(3,2,1),imshow(I1);subplot(3,2,2), imhist(I1);subplot(3,2,3),imshow(I2);subplot(3,2,4), imhist(I2);subplot(3,2,5),imshow(K1);subplot(3,2,6), imhist(K1);图 1.32、图像空间域平滑2.1 用均值滤波器实现图像空间域的平滑启用MATLAB,输入以下代码运行I=imread('cameraman-8.bmp','bmp');J=imnoise(I,'gaussian'); %添加高斯噪声K=imnoise(I,'salt & pepper'); %添加椒盐噪声M=imnoise(I,'speckle'); %添加乘性噪声H=ones(3,3)/9; %3*3的均值去噪模板%滤波去噪处理I1=imfilter(I,H);J1=imfilter(J,H);K1=imfilter(K,H);M1=imfilter(M,H) ;%对比线性滤波去噪处理前后的图像figure;subplot(2,4,1),imshow(I);title('原图');subplot(2,4,2),imshow(J); title('高斯噪声图像'); subplot(2,4,3),imshow(K); title('椒盐噪声图像'); subplot(2,4,4),imshow(M); title('乘性噪声图像'); subplot(2,4,6),imshow(J1); title('高斯噪声滤波图像'); subplot(2,4,7),imshow(K1); title('椒盐噪声滤波图像'); subplot(2,4,8),imshow(M1) ; title('乘性噪声滤波图像') ; 输出图像如下图 2.12.2 用中值滤波器实现图像空间域的平滑启用MATLAB,输入以下代码运行I=imread('cameraman-8.bmp');I1=imnoise(I,'gaussian');I2=imnoise(I,'salt & pepper',0.02);I3=imnoise(I,'speckle');%3×3中值滤波模板J=medfilt2(I,[3,3]);J1=medfilt2(I1,[3,3]);J2=medfilt2(I2,[3,3]);J3=medfilt2(I3,[3,3]);figure,subplot(2,4,1),imshow(I) ; title('原图') ;subplot(2,4,2),imshow(I1) ; title('添加高斯噪声') ;subplot(2,4,3),imshow(I2) ; title('添加椒盐噪声') ;subplot(2,4,4),imshow(I3) ; title('添加乘性噪声') ;subplot(2,4,6),imshow(J1) ;title('高斯噪声3*3中值滤波') ; subplot(2,4,7),imshow(J2) ;title('椒盐噪声3*3中值滤波') ; subplot(2,4,8),imshow(J3) ;title('乘性噪声3*3中值滤波') ;K=medfilt2(I, [5,5]); %5×5中值滤波模板K1=medfilt2(I1,[5,5]);K2=medfilt2(I2,[5,5]);K3=medfilt2(I3,[5,5]);figure;subplot(2,2,1),imshow(K); title('原图5*5中值滤波'); subplot(2,2,2),imshow(K1) ; title('高斯噪声5*5中值滤波') ; subplot(2,2,3),imshow(K2); title('椒盐噪声5*5中值滤波'); subplot(2,2,4),imshow(K3) ; title('乘性噪声5*5中值滤波'); 输出结果如下图 2.2.1图 2.2.22.3 图像空间域锐化启用MATLAB,输入以下代码运行I=imread('cameraman-8.bmp','bmp')H=fspecial('sobel')%用sobel算子做模板%锐化处理J=imfilter(I,H)%锐化处理前后图像对比figure,subplot(1,2,1),imshow(I),subplot(1,2,2),imshow(J); 输出图像如下图 2.33、图像几何变换3.1 缩放启用MATLAB,输入以下代码运行I=imread('cameraman-8.bmp', 'bmp') ;%放大图像J=imresize(I,2) ;%缩小图像K=imresize(I,0.5) ;%图像对比figure(1),subplot(),imshow(I),title('原图'),figure(2),subplot(),imshow(J),title('放大两倍的图'),figure(3),subplot(),imshow(K),title('缩小0.5倍的图') ;输出图像如下图 3.1.1 图3.1.2图 3.1.33.2旋转启用MATLAB,输入以下代码运行I=imread('cameraman-8.bmp', 'bmp') ;%旋转图像M=imrotate(I,45) ;%图像对比figure;subplot(1,2,1),imshow(I),subplot(1,2,2),imshow(M) ;输出图像如下图 3.24、彩色图像处理4.1彩色合成启用MATLAB,输入以下代码运行I=imread('peppers.bmp','bmp');J1=I; J2=I;J3=I; J4=I;J5=I;%改变J1、J2、J3、J4、J5中的波段次序，组合成新的波段合成J1(:,:,1)=I(:,:,2); J1(:,:,2)=I(:,:,3); J1(:,:,3)=I(:,:,1) ;J2(:,:,1)=I(:,:,1); J2(:,:,2)=I(:,:,3); J2(:,:,3)=I(:,:,2) ;J3(:,:,1)=I(:,:,2); J3(:,:,2)=I(:,:,1); J3(:,:,3)=I(:,:,3) ;J4(:,:,1)=I(:,:,3); J4(:,:,2)=I(:,:,2); J4(:,:,3)=I(:,:,1) ;J5(:,:,1)=I(:,:,3); J5(:,:,2)=I(:,:,1); J5(:,:,3)=I(:,:,2) ;%对比原图像I与新图像J1、J2、J3、J4、J5的彩色差异，理解假彩色合成figure,subplot(2,3,1),imshow(I),title('原图');subplot(2,3,2),imshow(J1),title('变换一') ;subplot(2,3,3),imshow(J2),title('变换二') ;subplot(2,3,4),imshow(J3),title('变换三') ;subplot(2,3,5),imshow(J4),title('变换四') ;subplot(2,3,6),imshow(J5),title('变换五');输出图像如下图4.1 4.2彩色变换启用MATLAB,输入以下代码运行I=imread('peppers.bmp','bmp');HSV=rgb2hsv(I) ;RGB=hsv2rgb(HSV) ;%对比彩色变换前后的图像figure;subplot(1,3,1),imshow(I),title('原图'),subplot(1,3,2),imshow(HSV),title('HSV图像'); subplot(1,3,3),imshow(RGB),title('RGB图像') ;输出结果如下图 4.2四、实验算法要点总结1、图像点处理直方图修正法通常分为直方图均衡化和直方图规定化两类2、图像均值滤波和中值滤波、图像锐化处理3、图像几何变换处理4、图像彩色合成和彩色变换处理通过映射函数将彩色图像或多光谱图像变换成新的三基色分量线性假彩色映射表示为：。
matlab图像处理——距离变换
V ol. , No Month year.卷 第 期 年 月距离变换的应用（选自陆宗骐的论文）粘连区域的分割需要解决的问题有两个，即在何处分割以及如何进行分割。
文献[4]介绍了一种较为简单、直观的粘连区域分割方法——等值线跟踪法。
此方法对二值图象作距离变换，根据局部极大的特点搜索区域核心代替极限腐蚀，用等值线跟踪代替条件膨胀，利用跟踪过程中前后两次周长的跃变发现两区域合并的时间，从而确定分割点的位置，最后用作区域连接段骨架垂线的方法进行粘连部分的分割。
此方法不仅处理速度快，所得分割区域的形状也大为改观，见图1(d)。
当然，确定分割点也并非一定要采用等值线跟踪才行。
也可根据粘连区域连接段象素的特点，设计相应的分析算法不经跟踪直接寻得。
本文在完成了一幅存在粘连的钢筋端面图象分割的基础上，总结得出若干分割原则。
限于篇幅，本文只介绍象素属性分析法中分割位置的搜索算法，后续分割部分参见文献[4]。
2 术语定义2.1 三个检测环为了识别象素的属性，需要考察该象素所在邻域内相关象素的状态，本分割方法中需使用三个检测环。
它们是以当前待测象素为中心的3×3、5×5点，见图2。
它们分别称为内环、中环与外环。
图中，中心象素用星号表示，内环用数字1~8表示，中环用小写字母a~p 表示，外环用大写字母A~Z 和数字1~6表示。
主要用以测试环上数据的跳变，以及数值的大小关系与某类象素数目的多少等。
2.2 象素类型为行文方便起见，对不同类型的象素与数据定义若干专用名词。
·边界点：图象中距离值为1的点。
·背景点：图象中距离值为0的点。
·(粘连区域)连接线：连接粘连两区域的(单点宽或双点宽)骨架，它们应取同一距离值。
·当前点：处于邻域中央，考察其是否在连接线上的那个象素。
·等值点：指在检测邻域内数值等于当前点的距离值的那些象素，连接线上的点必须是等值点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像的变换
1. 离散傅立叶变换的Matlab 实现
Matlab 函数fft、fft2 和fftn 分别可以实现一维、二维和N 维DFT 算法；而函数ifft、ifft2 和ifftn 则用来计算反DFT 。
这些函数的调用格式如下：
A＝fft(X,N,DIM)
其中，X 表示输入图像；N 表示采样间隔点，如果X 小于该数值，那么Matlab 将会对X 进行零填充，否则将进行截取，使之长度为
N ；DIM 表示要进行离散傅立叶变换。
A＝fft2(X,MROWS,NCOLS)
其中，MROWS 和NCOLS 指定对X 进行零填充后的X 大小。
A＝fftn(X,SIZE)
其中，SIZE 是一个向量，它们每一个元素都将指定X 相应维进行零填充后的长度。
函数ifft、ifft2 和ifftn的调用格式于对应的离散傅立叶变换函数一致。
例子：图像的二维傅立叶频谱
% 读入原始图像
I＝imread('lena.bmp');
imshow(I)
% 求离散傅立叶频谱
J=fftshift(fft2(I));
figure;
imshow(log(abs(J)),[8,10])
2. 离散余弦变换的Matlab 实现
2.1. dCT2 函数
功能：二维DCT 变换
格式：B=dct2(A)
B=dct2(A,m,n)
B=dct2(A,[m,n])
说明：B＝dct2(A) 计算 A 的DCT 变换 B ，A 与 B 的大小相同；B＝dct2(A,m,n) 和B=dct2(A,[m,n]) 通过对A 补0 或剪裁，使B 的大小为m×n。
2.2. dict2 函数
功能：DCT 反变换
格式：B=idct2(A)
B=idct2(A,m,n)
B=idct2(A,[m,n])
说明：B＝idct2(A) 计算 A 的DCT 反变换B ，A 与 B 的大小相同；B＝idct2(A,m,n) 和B=idct2(A,[m,n]) 通过对A 补0 或剪裁，使B的大小为m×n。
2.3. dctmtx函数
功能：计算DCT 变换矩阵
格式：D＝dctmtx(n)
说明：D＝dctmtx(n) 返回一个n×n 的DCT 变换矩阵，输出矩阵D 为double 类型。
3. 图像小波变换的Matlab 实现
3.1 一维小波变换的Matlab 实现
(1) dwt 函数
功能：一维离散小波变换
格式：[cA,cD]=dwt(X,'wname')
[cA,cD]=dwt(X,Lo_D,Hi_D)
说明：[cA,cD]=dwt(X,'wname') 使用指定的小波基函数'wname' 对信号X 进行分解，cA、cD分别为近似分量和细节分量；[cA,cD]=dwt(X,Lo_D,Hi_D) 使用指定的滤波器组Lo_D、Hi_D 对信号进行分解。
(2) idwt 函数
功能：一维离散小波反变换
格式：X=idwt(cA,cD,'wname')
X=idwt(cA,cD,Lo_R,Hi_R)
X=idwt(cA,cD,'wname',L)
X=idwt(cA,cD,Lo_R,Hi_R,L)
说明：X=idwt(cA,cD,'wname') 由近似分量cA 和细节分量cD 经小波反变换重构原始信号X 。
'wname' 为所选的小波函数
X=idwt(cA,cD,Lo_R,Hi_R) 用指定的重构滤波器Lo_R 和Hi_R 经小波反变换重构原始信号X 。
X=idwt(cA,cD,'wname',L) 和X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号X 中心附近的L 个点。
3.2 二维小波变换的Matlab 实现
二维小波变换的函数
-------------------------------------------------
函数名函数功能
---------------------------------------------------
dwt2 二维离散小波变换
wavedec2 二维信号的多层小波分解
idwt2 二维离散小波反变换
waverec2 二维信号的多层小波重构
wrcoef2 由多层小波分解重构某一层的分解信号
upcoef2 由多层小波分解重构近似分量或细节分量
detcoef2 提取二维信号小波分解的细节分量
appcoef2 提取二维信号小波分解的近似分量
upwlev2 二维小波分解的单层重构
dwtpet2 二维周期小波变换
idwtper2 二维周期小波反变换
-------------------------------------------------------------
(1) wcodemat 函数
功能：对数据矩阵进行伪彩色编码
格式：Y=wcodemat(X,NB,OPT,ABSOL)
Y=wcodemat(X,NB,OPT)
Y=wcodemat(X,NB)
Y=wcodemat(X)
说明：Y=wcodemat(X,NB,OPT,ABSOL) 返回数据矩阵X 的编码矩阵Y ；NB 伪编码的最大值，即编码范围为0～NB，缺省值NB＝16；
OPT 指定了编码的方式（缺省值为'mat'），即：
OPT＝'row' ，按行编码
OPT＝'col' ，按列编码
OPT＝'mat' ，按整个矩阵编码
ABSOL 是函数的控制参数（缺省值为'1'），即：
ABSOL＝0 时，返回编码矩阵
ABSOL＝1 时，返回数据矩阵的绝对值ABS(X)
(2) dwt2 函数
功能：二维离散小波变换
格式：[cA,cH,cV,cD]=dwt2(X,'wname')
[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D)
说明：[cA,cH,cV,cD]=dwt2(X,'wname')使用指定的小波基函数'wname' 对二维信号X 进行二维离散小波变幻；cA，cH,cV,cD 分别为近似分
量、水平细节分量、垂直细节分量和对角细节分量；[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D) 使用指定的分解低通和高通滤波器Lo_D 和Hi_D 分
解信号X 。
(3) wavedec2 函数
功能：二维信号的多层小波分解
格式：[C,S]=wavedec2(X,N,'wname')
[C,S]=wavedec2(X,N,Lo_D,Hi_D)
说明：[C,S]=wavedec2(X,N,'wname') 使用小波基函数'wname' 对二维信号X 进行N 层分解；[C,S]=wavedec2(X,N,Lo_D,Hi_D) 使用指定
的分解低通和高通滤波器Lo_D 和Hi_D 分解信号X 。
(4) idwt2 函数
功能：二维离散小波反变换
格式：X=idwt2(cA,cH,cV,cD,'wname')
X=idwt2(cA,cH,cV,cD,Lo_R,Hi_R)
X=idwt2(cA,cH,cV,cD,'wname',S)
X=idwt2(cA,cH,cV,cD,Lo_R,Hi_R,S)
说明：X=idwt2(cA,cH,cV,cD,'wname') 由信号小波分解的近似信号cA 和细节信号cH、cH、
cV、cD 经小波反变换重构原信号X
；X=idwt2(cA,cH,cV,cD,Lo_R,Hi_R) 使用指定的重构低通和高通滤波器Lo_R 和Hi_R 重构原信号X ；X=idwt2(cA,cH,cV,cD,'wname',S)
和X=idwt2(cA,cH,cV,cD,Lo_R,Hi_R,S) 返回中心附近的S 个数据点。
(5) waverec2 函数
说明：二维信号的多层小波重构
格式：X=waverec2(C,S,'wname')
X=waverec2(C,S,Lo_R,Hi_R)
说明：X=waverec2(C,S,'wname') 由多层二维小波分解的结果C、S 重构原始信号X ，'wname'为使用的小波基函数；X=waverec2(C,S,Lo_R,Hi_R) 使用重构低通和高通滤波器Lo_R 和Hi_R 重构原信号。